Modelo de aprendizado profundo para prever a recorrência do adenocarcinoma pulmonar invasivo em estágio IA após ressecção sublobar (DL-Rec-ILA)

Este estudo foi projetado para desenvolver um modelo de aprendizagem profunda para prever o risco de recorrência de adenocarcinoma pulmonar invasivo em estágio IA após ressecção sublobar usando imagens de tomografia computadorizada sem contraste. As melhores indicações para ressecção sublobar em pacientes com LADC em estágio inicial ainda são debatidas, dificultando a seleção do método cirúrgico. O modelo de aprendizagem profunda pode prever de forma não invasiva e objetiva o risco de recorrência de pacientes com estágio IA ILADC após sublobectomia e é útil na previsão do prognóstico de pacientes com estágio IA ILADC após sublobectomia e pode facilitar a escolha do modo de cirurgia ideal destes pacientes.

O estudo utilizará dados retrospectivos de pacientes com adenocarcinoma pulmonar invasivo em estágio IA após ressecção sublobar. Imagens de tomografia computadorizada sem contraste serão coletadas na admissão e usadas como entradas para o modelo de aprendizagem profunda. O modelo será treinado usando redes neurais convolucionais (CNN) para identificar padrões associados à recorrência.

Além do desenvolvimento do modelo, o estudo também avaliará o desempenho do modelo em uma coorte de validação separada para avaliar a generalização. As análises estatísticas incluirão métricas de desempenho, como área sob a curva característica de operação do receptor (ROC) (AUC) e curva de recuperação de precisão.

Este estudo tem como objetivo fornecer uma ferramenta valiosa para os médicos tomarem decisões oportunas na escolha da abordagem terapêutica ideal.